Among various machine learning appl

Among various machine learning applications, ontology learning focuses on association learning. Measures of associations can be generally defined in two ways. One is based on extrinsic features in the context, typically cooccurrence of terms, which is referred to as context similarity. The other is based on intrinsic features of terms such as their own properties and relations, which is called self similarity. There is another rarely used approach (e.g., three-layer feed forward neural network ), which is not discussed in this paper. Each of the learning techniques focuses on a different aspect of ontology learning and has many variants, making the selection of the most appropriate technique difficult. For example, the scope of co-occurrence analyses ranges from sequences of words (ngrams), to syntactic structures (e.g., verb-object), and to windows of fixed context. It is possible to design a hybrid measure that takes advantage of both context and self-similarity such that a measure of association may assess the context similarity of those terms that satisfy self-similarity requirements.

결과 (한국어) 1:

다양 한 기계 학습 응용 프로그램, 온톨로지 학습 협회 학습에 초점을 맞추고 있습니다. 협회의 조치는 일반적으로 두 가지 방법으로 정의할 수 있습니다. 하나는 일반적으로 cooccurrence의 조건, 컨텍스트 유사성 이라고 맥락에서 외부 기능을 기반으로 합니다. 다른 기반으로 그들의 자신의 속성 및 관계, 같은 조건의 본질적인 기능 자기 유사성 이라고 합니다. 이 문서에서 설명 하지 다른 거의 사용된 되지 않는 접근 (예를 들어, 3 층 급 식된 앞으로 신경 네트워크), 있다. 각 학습 기법 온톨로지 학습의 다양 한 측면에 초점을 맞추고 및 많은 변종, 가장 적합 한 기술 선택을 어렵게 만들고 있다. 예를 들어 공동 발생 분석의 범위는 구문 구조 (예를 들어, 동사 개체), 그리고 고정 된 맥락의 단어 (ngrams), 시퀀스에서 범위. 그것은 디자인 두 컨텍스트를 활용 하는 하이브리드 측정 가능 하 고 자기 유사성 등 협회의 측정 자기 유사성 요구 사항을 만족 하는 그 기간의 문맥 유사성을 평가할 수 있습니다.

결과 (한국어) 2:

다양한 기계 학습 응용 프로그램 중, 온톨로지 학습 관련 학습에 초점을 맞추고있다. 연관성 측정은 일반적으로 두 가지 방법으로 정의 될 수있다. 하나는 컨텍스트 고유 특성, 컨텍스트 유사도라고 용어의 통상적 공 발생에 기초한다. 다른 하나는 이러한 자기 유사성이라고 자신의 특성과 관계로 용어의 고유 기능을 기반으로합니다. 이 논문에서 설명되지 않은 다른 드물게 사용되는 방법 (예를 들면, 삼층 피드 포워드 신경망)이있다. 학습 방법은 각각 가장 적절한 방법의 선택이 어려워, 온톨로지 학습의 다른 양태에 초점을 맞추고, 많은 변형이있다. 예를 들어, 동시 발생의 범위는 구문 구조 (예를 들어, 동사 - 객체)에, 고정 문맥의 창에 단어 (ngrams)의 시퀀스에서 범위를 분석합니다. 그것은 컨텍스트와 연관​​ 계수 자기 유사성 요건을 만족 그 용어의 문맥 유사도를 평가할 수 있도록 자기 닮음 모두 활용 하이브리드 측정 값을 설계 할 수있다.

결과 (한국어) 3:

각종 기계가 학습 프로그램 중 본체 학습 요점은 학회 공부하다.조치 협회 두 가지 방법으로 정의 대충 할 수 있다.하나는 컨텍스트 외부 특성 기반, 대개 공생, 이 불리는 색 유사도.또 한 가지가 같은 자신의 속성 및 관계 본질 특징 근거하여이것은 소위 스스로 유사도가.그리고 하나 거의 사용 방법 (예를 들어, 3층 피드포워드 신경 네트워크) 이 아니라 이 글에서의 토론.하나하나 기술을 배우다 집중되다 본체 학습 다른 쪽에 많은 몸 으로 가장 적합한 기술 선택 어렵다.예를 들어공생의 범위는 단어 순서 범위 (ngrams) 컨스트럭션 (예를 들어 동사의 대상) 과 일정한 문맥 창.이것은 아마도 디자인 의 혼합 조치, 언어 환경 및 스스로 유사도가 등 이용, 평가하는 협회 수 평가 약관은 충족 스스로 유사도가 요구하는 상황 유사도가.